Transcript Kompiuterių tinklų stebėsena ir valdymas

Kompiuterių tinklų stebėsena ir
valdymas
Liudvikas Kaklauskas
2012 m.
1
Tyrimo objektas, tikslai
Tyrimo objektas: kompiuterių tinklo srauto savybės, tinklo
mazgo savybių įtaka paketinio kompiuterių tinklo srauto
aptarnavimui, realaus laiko tinklo srauto savybių analizės metodai
ir jų taikymas tinklo srauto kaitos dinaminiam prognozavimui.
Tyrimų tikslas: ištirti fraktalinius procesus kompiuterių tinkluose,
remiantis gautais rezultatais parinkti metodus tinkamus tinklo
srauto analizei realiu laiku ir sukurti savastingumo matavimo
realiu laiku metodiką bei ją pritaikyti kompiuterių tinklų
aptarnavimo kokybei (QoS) gerinti.
2
Praktinė darbo reikšmė
1. Sukurta kompiuterių tinklo duomenų srauto
savastingumo įvertinimo realiu laiku metodika bei
įrankiai;
2. Sukurta kompiuterių tinklo savastingųjų su
sunkiomis uodegomis srautų imitavimo metodika bei
įrankiai;
3. Pasiūlyti savastingojo kompiuterių tinklo srauto su
sunkiomis uodegomis aptarnavimo kokybės QoS
sprendimai, gaunami įvertinus informacinių srautų
savastingumą.
3
Pranešimo struktūra
1. Kompiuterių tinklo srauto modeliavimas;
2. Fraktalinių srautų matavimo kompiuterių tinkle
technologiniai sprendimai;
3. Savastingumo analizės metodai paketiniuose
kompiuterių tinkluose;
4. Laiko eilučių formavimas;
5. Tinklo srauto analizės priemonės ir rezultatai;
6. Fraktalinių procesų imitavimas ir tyrimas;
7. Savastingumo matavimo realiu laiku metodas.
4
1. Kompiuterių tinklo OSI modelis
5
1. Tinklo srauto modeliai (1)
1. Įeinančio srauto modelis ( ti , τi );
2. Aptarnavimo modelis (reikalavimai aptarnavimo procesui
– diskretus skaičius , aptarnavimo laikas xi );
3. Procesų dviejų būsenų modelis (k – paketų skaičius
sistemoje, Ti=wi+xi). (Grimm, Schlüchtermann 2008)
6
1. Tinklo srauto modeliai (2)
α–stabilieji modeliai
(Gallardo, Makrakis, Orozco-Barbosa 2000, Janicki,
Weron 2000, Yin, Lin, Sebastien, Li, Min 2005, Kaklauskas, Sakalauskas 2008,
Surgailis ir kt. 2008, Kulikovs, Petersons 2008, Grigelionis 2008, Kabašinskas ir
kt. 2009, Lavancier ir kt. 2010);
P(| Y (t ) | x) ~ cx 
x  , o c  0
S (  ,  ,  )
7
1. Tinklo srauto modeliai (3)
Aptarnavimo teorija
Reguliarusis determinuotas srautas žymimas D;
Tikimybiniais skirstiniais aprašomas srautas žymimas G;
Rekurentinis srautas GI – F (t )  P( n  t )
Stacionarusis, ordinarusis ir be sąveikos, vadinamas
paprastuoju srautu M;
Hipereksponentinis srautas žymimas Hr;
Sistemos, kurios paraiškų skaičius nėra ribojamas
žymimos M/M/m.
8
2. Tyrimų strategija
1. Įvykių skaičiavimu grįsta strategija (Boudriga 2010);
9
3. Savastingumas
Y (t ), t  0 stochastinis procesas yra savastingasis, jei
galima rasti tokį H, kad visiems c>0 tenkinama
lygybė (Samorodnitsky 2006):
d
(Y (ct ), t  0)  (c Y (t ), t  0)
H
SRD, kai 0  H  0,5
LRD, kai 0,5  H  1,0
10
3. Savastingumo įverčiai naudojant
chaoso teorijos instrumentus
1. Atraktoriai;
2. Fraktalinis matas, kurį galima skaičiuoti vertinant
koreliacinį matą (Grassberger ir Procaccia 1983).
3. Jei procesui X agreguota eilutė xt tai:
• LRD r (k )  k   Li (k ), k  
 ( X i  X )( X i  k  X )
1
r (k ) 
 i
N 
•
 2(X )
Li (tx)
1
0    1 Lim
t   Li (t )
SRD r (k )   k , k  ,0    1
11
3. Hurst statistikų skaičiavimas
1. Laiko eilutės analizės metodai (tiriamos laipsninės
pasirinktų sekos charakteristikos ir specialaus m
dydžio bloko priklausomybė taikant specialias
statistikas);
2. Dažninių/banginių savybių įverčiai grindžiami
dažninėmis bangos vilnelių savybėmis;
3. Įverčiams naudojamos α-stabiliojo proceso savybės;
4. Prieaugio santykio statistika (IR statistika);
12
4. Naudoti agregavimo būdai
Judančių vidurkių glotninimas.

k
x 
x
i
 i[ tk ,tk 1 ]
t
( m) 
Xk
:
km

x
 j
j  ( k 1) m 1
Perduotų duomenų srauto per laiko intervalą suma.

k
x 
 xi
 i[ tk ,tk 1 ]
X k( m)
:
km

x
 j
j  ( k 1) m 1
tk  k  t   1
13
4. Agreguotų eilučių formavimas realiu
laiku
{ X k( m) }k Z agreguotos
eilutės
perindeksavimo
algoritmas,
rekurentiškai atnaujinant eilutę.
formavimui sukurtas
kuris
naudojamas
Savastingumo vertinimui naudojami du ciklai su
parametrais:
ei  i  n
1  i  ei  1
14
5. Tinklo apkrovos eilučių analizė
Eilutės
savybė
Selfis
Fractan
McCulloc
0,290%
Regresijos
Momentų
SRD
47,06%
11,87%
0,000%
0,000%
LRD
43,94%
81,08% 22,609% 68,116%
0,000%
Gaussian
Noise
8,766%
0,000% 54,783%
0,000%
0,000%
15
6. GI/G/1//N tinklo modelis
K

LIFO

i  
i 

i  i
ln( i )

ln( i ) / ln(i )

i
S
LIFO
s

xi  
xi 

ln( i )

ln( i ) / ln( i )

i yra nepriklausomi tolygiai pasiskirstę
vienetiniame intervale atsitiktiniai dydžiai
16
6. MulNodSimSys (LIFO)
17
6. GI/G/1//N tyrimo rezultatai
1.
Kai tinklo mazgo aptarnavimo srautas yra S, tai paketų aptarnavimo
tikimybė nekinta, keičiantis įeinančio srauto intensyvumui, o tinklo
mazgas dirba stabiliau.
2.
Kai į tinklo mazgą įeinantis srautas yra S, tai aptarnavimo tikimybė tinklo
mazge nepriklauso nuo įeinančio srauto intensyvumo.
3.
Eilės aptarnavimo disciplina LIFO PS tipo sraute užtikrina geresnę
aptarnavimo kokybę.
4.
Kai įeinantis srautas yra intensyvus, tai didėjant buferio talpai didėja ir
įeinančio srauto aptarnavimo tikimybė, o eilės aptarnavimo disciplina
jokios įtakos neturi.
5.
PS FIFO, PS LIFO, SS FIFO, SS LIFO srautams didėjant eilutės
stabilumo indeksui, aptarnavimo tikimybė didėja.
18
6. Generalizuotas stochastiškai
apribotas komunikavimo tinklo modelis
gSBB savastingasis srautas modeliuojamas:
 m
self  similar
f
( x )  C 

  
Kai tenkinama
^

P  A(t ;  )  x   f


self  similar

( x)
Cα ir m randami kaip S α(α, β, μ) ir x parametrai.
Puasono srautas modeliuojamas:
i
f
^

P  A(t ;  )  x   f


Poisson
Poisson
 [ (i  k )]  (i k ) 
( x)  1  (1   )   
e

i!

i 0 
k
( x)

S

x
k 
S 
19
6. GI/G/10//N
20
6. PL ,T SP , T delay ir FIFO/LIFO tyrimas
PP srauto aptarnavimas kintant λ
7
7
6
6
5
5
4
Loss probability
3
The average waiting
time in buffer
4
Loss probability
3
The average waiting
time in buffer
2
Applications delay
1
2
1
Applications delay
0
0
0,1 0,2 0,5
1
2
5
0,1 0,2 0,5
10 12 15 20 50
1
2
5
10 12 15 20 50
λ
λ
PS srauto aptarnavimas kintant λ
4
4
3,5
3,5
3
3
2,5
2,5
Loss probability
Loss probability
2
2
The average waiting
time in buffer
1,5
1
Applications delay
0,5
The average waiting
time in buffer
1,5
1
Applications delay
0,5
0
0
1
2
3
4
5
6
λ
7
8
9
10 11
1
2
3
4
5
6
7
8
9
10 11
λ
PS tipo srautui vėlinimas didesnis, kai eilės aptarnavimo
21
disciplina FIFO.
6. T SP tyrimo rezultatai, kai ρ>1
PP
PS
The average waiting time in buffer
λ=1
λ=2
λ=5
λ=10
λ=20
λ=50
λ=1
25
λ=2
λ=5
λ=10
λ=20
λ=50
12,00000
10,00000
20
8,00000
15
M
e
a
n 10
M
e
a
n
6,00000
4,00000
5
2,00000
0
0,1
0,2
0,5
1
2
5
10
12
15
20
0,1
0,2
0,5
1
2
FIFO
5
10
12
15
20
0,00000
0,1
0,2
0,5
1
2
LIFO
5
10
12
15
20
0,1
0,2
0,5
1
2
FIFO
SP
5
10
12
15
20
LIFO
SS
λ=1
λ=2
λ=5
λ=10
λ=20
λ=50
λ=1
0,90000
λ=2
λ=5
λ=10
λ=20
λ=50
0,35000
0,80000
0,30000
0,70000
0,25000
0,60000
M 0,50000
e
a
0,40000
n
M 0,20000
e
a
n 0,15000
0,30000
0,10000
0,20000
0,05000
0,10000
0,00000
0,00000
0,1
0,2
0,5
1
2
5
FIFO
10
12
15
20
0,1
0,2
0,5
1
2
5
LIFO
10
12
15
20
0,1
0,2
0,5
1
2
5
FIFO
10
12
15
20
0,1
0,2
0,5
1
2
5
LIFO
10
12
15
20
22
6. T delay tyrimo rezultatai, kai ρ>1
PP
PS
Applications delay
Applications delay λ=1
Applications delay λ=2
Applications delay λ=5
Applications delay λ=10
λ=1
λ=2
λ=5
λ=10
λ=20
λ=50
16,00000
35
14,00000
30
12,00000
25
10,00000
M
e
a
n
M 20
e
a
n 15
8,00000
6,00000
10
4,00000
5
2,00000
0,00000
0
0,1
0,2
0,5
1
2
5
10
12
15
20
0,1
0,2
0,5
1
2
FIFO
5
10
12
15
0,1
20
0,2
0,5
1
2
5
10
12
15
20
0,1
0,2
0,5
1
2
FIFO
LIFO
SP
5
10
12
15
20
LIFO
SS
λ=1
λ=2
λ=5
λ=10
λ=20
λ=1
λ=50
λ=2
λ=5
λ=10
λ=20
λ=50
5,00000
12,00000
4,50000
10,00000
4,00000
3,50000
8,00000
3,00000
M
e
a
n
M
e
2,50000
a
n 2,00000
6,00000
4,00000
1,50000
1,00000
2,00000
0,50000
0,00000
0,00000
0,1
0,1
0,2
0,5
1
2
5
10
12
15
20
0,1
0,2
0,5
1
2
5
10
12
15
0,2
0,5
1
2
5
FIFO
FIFO
LIFO
10
12
15
20
0,1
0,2
0,5
1
2
5
20
LIFO
10
12
15
20
23
6. Kiti GI/G/10//N tyrimo rezultatai
Kai 1    10 , tai T SP( LIFO )  T SP( FIFO )
T delay( FIFO )  T delay( LIFO )
Kai   10 , tai Pserv ( FIFO)  Pserv ( LIFO )
PL( FIFO )  PL( LIFO )
Lyginant SS, SP su PS ir PP srautais nustatyta:
SPT
SP
PST
SP
SPT
delay
PST
delay
 14;
SPT
SP
PPT
SP
 1,4;
 14
SPT
delay
PPT
delay
 1,4
SST
SP
PST
SP
SST
delay
PST
delay
 36;
SST
SP
PPT
SP
 3,4;
 36
SST
delay
PPT
delay
 3,4
24
6. GI/G/10//N kanalų apkrova, kai ρ>1
Pagal kanaluose aptarnautų paraiškų N (nch ) std įverčius,
kai ρ didesnis, tai kanalai apkraunami tolygiau.
Kai mazgo aptarnavimo srautas savastingas, tai yra
prarastų paraiškų, kai:

 12

Kai mazgo aptarnavimo srautas Puasono, tai yra prarastų
paraiškų, kai:

5

25
7. Kompiuterių tinklo srauto analizės
realiu laiku būdas LT20011099
26
7. Kompiuterių tinklo srauto analizės
realiu laiku algoritmas
27
7. Metodo testavimas SSE-OL
28
7. SSE-OL naudojimas mazge
Serveris: Windows 2003 Server SE (Procesoriaus indeksas 38677,
pagal Tom‘s Hardware).
SSE-OL naudoja apie 50MB darbinės atminties.
Procesoriaus apkrova kinta nuo 1% iki 5%.
Savastingumo įverčių skaičiavimas pagal visus tris
metodus eilutei vidutiniškai trunka 14,1329ms.
Eilutės formavimo laikas priklauso nuo pasirinkto
eilutės agregavimo intervalo.
29
7. SSE-OL naudojimas tinklo kliento
kompiuteryje
Serverio procesoriaus apkrova neviršija 1%
30
Išvados (1)
α–stabilieji modeliai ir aptarnavimo teorijos įrankiai
mokslinėje literatūroje yra analizuojami daugiu
teoriškai. Žinomi šių modelių pritaikymai finansinių
procesų modeliavimui, tuo tarpu praktinių jų pritaikymų
savastingajam tinklo srautui su HT yra mažai.
Hurst statistikų skaičiavimui galima naudoti laiko
analizės ir eilutės dažninių/banginių savybių įverčius.
Sukurta α-stabiliojo proceso parametrų ir IR
statistikos naudojimo LRD su HT įverčiams metodika,
taikant FamaRoll, McCulloch, regresijos ir momentų
metodus.
31
Išvados (2)
Sukurtas perindeksavimo algoritmas, naudojantis
indeksus rekurentiniam eilučių formavimui, taip
paspartinant agreguotų laiko eilučių formavimą realiu
laiku.
Simuliuotų laiko eilučių tyrimai su Fractan, Selfis ir
SSE parodė, kad asimetrijos koeficiento β pokytis laiko
eilutėms pasižyminčioms savastingumu turi minimalią
įtaką Hurst koeficiento bei stabilumo indekso α
reikšmei.
32
Išvados (3)
Imitavimo rezultatų, gautų su Fractan, Selfis ir SSE,
lyginamoji analizė parodė, kad sintetinio srauto
savastingumo įverčiai tiksliausiai apskaičiuojami taikant
regresijos metodą.
Realaus tinklo srauto agreguotų eilučių tyrimo
rezultatai rodo, kad procesas aprašomas laiko eilutėmis
yra persistentinis procesas su LRD ir pasižymi
fraktališkumu, o Hurst koeficientas kinta nuo 0,61 iki
0,79. Realaus tinklo srauto tyrimo rezultatai rodo, kad
kompiuterių tinklo informacinių srautų asimetrijos
koeficientą β galima laikyti lygiu nuliui.
33
Išvados (4)
Su sukurtu modeliavimo paketu MulNodSimSys
nustatyta, kad, didėjant tinklo srauto intensyvumui,
savastingumu pasižymintis srautas yra aptarnaujamas
stabiliai. Aptarnaujant Puasono srautą didėja paketų
praradimo tikimybė, didėjant įeinančio srauto
intensyvumui.
Buferio eilės aptarnavimo disciplina LIFO geriau
aptarnauja PS tipo srautą.
Didėjant savastingosios eilutės stabilumo indeksui,
aptarnavimo tikimybė didėja. Kai įeinantis srautas yra
savastingasis, tai nepriklausomai nuo eilės aptarnavimo
disciplinos vidutinis buvimo buferyje laikas ir vėlinimas
yra mažesnis, kai visi kiti generuojamo srauto
34
parametrai yra vienodi.
Išvados (5)
Pažymėtina, kad esant tam pačiam įeinančio srauto
intensyvumui savastingojo tinklo mazgo srauto
aptarnavimo našumas yra daugiau nei dvigubai didesnis
nei tinklo mazgo, kurio srautas yra Puasono.
Sukurtas ir Lietuvos patentų biure užpatentuotas
paketinio kompiuterių tinklo srauto savastingumo
analizės metodas realiu laiku. Įvertintos ir parinktos
tinkamiausios savastingumo skaičiavimo realiu laiku
metodikos: robastinis empirinių kvantilių regresijos
metodas ir IR statistika.
35
AČIŪ UŽ DĖMESĮ
36